深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
1061	2026-02-08	Multi-objective ensemble deep learning using electronic health records to predict outcomes after lung cancer radiotherapy 2019-12-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab555e PMID:31698346	研究论文	提出一种基于电子健康记录的多目标集成深度学习方法，用于预测肺癌放疗后的治疗失败高风险	结合动态集成深度学习、自适应多目标优化和证据推理融合，提高预测模型的鲁棒性和准确性	NA	利用电子健康记录预测肺癌放疗后的治疗结果，以支持个性化治疗计划	肺癌患者	机器学习	肺癌	电子健康记录分析	深度学习	电子健康记录	1007名患者（814名未达到无病状态，193名无病且随访至少一年）	NA	深度感知器网络	灵敏度, 特异度, AUC	NA
1062	2026-02-08	Computer-aided diagnosis system for breast ultrasound images using deep learning 2019-12-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab5093 PMID:31645021	研究论文	本研究开发了一种基于卷积神经网络（CNN）的计算机辅助诊断（CAD）系统，用于乳腺超声图像中恶性与良性肿块的分类	通过集成VGG19和ResNet152两个CNN模型，并利用热图可视化CNN分类的重要区域，发现肿块本身并非CNN正确分类的关键区域	研究仅基于日本乳腺甲状腺超声学会的临床试验数据，可能缺乏多中心或跨种族验证	开发一种基于深度学习的计算机辅助诊断系统，以提高乳腺超声图像中恶性与良性肿块的分类准确性	乳腺超声图像中的恶性与良性肿块	计算机视觉	乳腺癌	超声成像	CNN	图像	1536个乳腺肿块（897个恶性，639个良性），其中独立测试集包含154个肿块（77个恶性，77个良性）	NA	VGG19, ResNet152	灵敏度, 特异度, AUC	NA
1063	2026-02-08	A dual-stream deep convolutional network for reducing metal streak artifacts in CT images 2019-11-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4e3e PMID:31618724	研究论文	本文通过训练一个双流深度卷积神经网络来减少CT图像中的金属条纹伪影，特别关注质子治疗规划中的图像质量提升	提出了一种结合残差学习和注意力机制的双流深度网络结构，在现有NMAR算法基础上进行二次校正，以更有效地去除金属伪影	未明确说明网络在极端或复杂金属植入案例中的泛化能力，且不同损失函数的优缺点需进一步临床验证	解决CT图像中金属伪影的长期问题，提高图像质量以支持精准的质子治疗规划	CT图像中的金属植入案例	医学影像处理	NA	CT成像	深度卷积神经网络	图像	NA	NA	双流深度卷积网络	视觉评估, 定量指标	NA
1064	2026-02-08	Partial-ring PET image restoration using a deep learning based method 2019-11-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4aa9 PMID:31581143	研究论文	本研究探讨了基于深度学习的部分环PET图像恢复方法，通过残差U-Net架构在投影域或图像域预测全环数据，以改善图像质量	首次将基于残差U-Net的深度学习方法应用于部分环PET图像恢复，并比较了投影域与图像域方法的性能差异	研究基于模拟数据（20个数字脑部幻影），未在真实临床数据上验证，且仅评估了有限数量的探测器块移除情况	恢复部分环PET扫描中因投影数据不完整导致的图像伪影，提高图像质量	数字脑部幻影模拟的PET扫描数据	医学影像处理	NA	蒙特卡洛模拟（SimSET工具包），PET扫描	CNN	图像，投影数据	20个数字脑部幻影	NA	残差U-Net	均方误差（MSE），结构相似性指数（SSIM），恢复系数（RC）	NA
1065	2026-02-08	CBCT correction using a cycle-consistent generative adversarial network and unpaired training to enable photon and proton dose calculation 2019-11-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4d8c PMID:31610527	研究论文	本研究探讨了使用循环一致性生成对抗网络（cycleGAN）进行无配对训练的前列腺CBCT校正的可行性，以提高光子及质子剂量计算的准确性	采用无配对训练的cycleGAN进行CBCT校正，不依赖解剖学一致的训练数据或可能不准确的形变图像配准，显著提高了校正速度	对于质子治疗，可能需要进一步的改进以提高剂量计算精度	开发一种高效的CBCT校正方法，以支持图像引导自适应放射治疗中的光子及质子剂量计算	前列腺CBCT图像	数字病理学	前列腺癌	CBCT成像	GAN	图像	33名患者	NA	cycleGAN	HU误差, 剂量差异通过率, 伽马通过率, 质子射程一致性	NA
1066	2026-02-08	Whole-body PET estimation from low count statistics using cycle-consistent generative adversarial networks 2019-11-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4891 PMID:31561244	研究论文	本文提出了一种基于循环一致性生成对抗网络的方法，用于从低计数统计的PET数据中估计诊断质量的全身PET图像	引入循环一致性生成对抗网络和残差块，以从低计数PET数据合成高质量图像，并学习逆变换确保一致性	未明确说明模型在临床环境中的泛化能力或对不同患者群体的适用性	解决PET成像中低计数统计问题，以降低辐射剂量或扫描时间同时保持图像质量	全身PET图像数据	医学影像分析	NA	PET成像	GAN	图像	NA	NA	Cycle GAN, 残差块	平均误差, 归一化均方误差, 归一化互相关, 峰值信噪比	NA
1067	2026-02-08	Synthetic CT generation from non-attenuation corrected PET images for whole-body PET imaging 2019-11-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4eb7 PMID:31622962	研究论文	提出一种基于深度学习的从非衰减校正PET图像生成合成CT的方法，用于全身PET/MRI成像中的衰减校正	首次利用3D循环一致性生成对抗网络框架从NAC PET图像合成CT，并引入自注意力策略以识别最信息丰富的部分并减少噪声干扰	研究为回顾性研究，样本量有限（119组数据），且未在外部数据集上验证泛化能力	开发一种从非衰减校正PET图像生成合成CT的深度学习方法，以解决PET/MRI中衰减校正的挑战	全身PET/CT图像数据	医学影像分析	NA	PET/MRI成像，深度学习	GAN	图像	119组全身PET/CT数据集（80组训练，39组测试评估）	NA	CycleGAN	平均绝对误差，平均误差，归一化均方误差，归一化互相关，峰值信噪比	NA
1068	2026-02-08	Evaluation of a deep learning-based pelvic synthetic CT generation technique for MRI-based prostate proton treatment planning 2019-10-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab41af PMID:31487698	研究论文	本研究评估了一种基于深度学习的盆腔合成CT生成技术，用于MRI引导的前列腺质子治疗计划	将密集块最小化集成到3D循环一致性生成对抗网络（cycleGAN）框架中，有效学习MRI与CT对之间的非线性映射	样本量较小（仅17名患者），采用留一法交叉验证，可能限制模型的泛化能力评估	验证深度学习生成的合成CT在前列腺质子束治疗计划中的应用可行性	前列腺癌患者的共配准CT和MRI图像对	数字病理	前列腺癌	MRI, CT成像	GAN	图像	17名患者的共配准CT和MRI图像对	NA	3D cycle-consistent GAN	平均绝对误差, 剂量-体积直方图指标相对差异, 剂量差异百分比, 伽马分析通过率, 绝对最大射程差异, 布拉格峰位移	NA
1069	2026-02-08	Gross tumor volume segmentation for head and neck cancer radiotherapy using deep dense multi-modality network 2019-10-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab440d PMID:31514173	研究论文	本研究提出了一种基于深度密集多模态网络的自动GTV分割框架，用于头颈癌放疗中的肿瘤体积勾画	利用多模态PET/CT图像，结合3D密集连接卷积网络，实现了更好的信息传播和特征利用，相比传统方法在分割性能上有所提升	研究仅针对头颈癌患者，未在其他癌症类型上进行验证，且样本量相对有限	开发一种自动、快速且一致的GTV分割方法，以改善头颈癌放疗计划	头颈癌患者的GTV分割	数字病理学	头颈癌	PET/CT成像	CNN	图像	250名头颈癌患者	NA	3D Dense-Net, 3D U-Net	Dice系数, 平均表面距离, 95百分位Hausdorff距离, 质心位移	NA
1070	2026-02-08	Three-dimensional convolutional neural networks for simultaneous dual-tracer PET imaging 2019-09-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab3103 PMID:31292287	研究论文	本研究提出了一种基于混合损失引导的深度学习框架，利用三维卷积神经网络直接从正弦图数据实现双示踪剂PET成像的重建与分离	提出了一个直接从正弦图数据重建和分离双示踪剂PET图像的混合损失引导深度学习框架，首次将三维卷积神经网络应用于该任务，并引入了辅助损失层来指导重建过程	研究主要基于蒙特卡洛模拟生成的数据进行验证，未在真实临床数据上进行广泛测试	开发一种能够直接从原始数据重建并分离双示踪剂PET图像的方法，以提高重建精度和临床诊断准确性	双示踪剂正电子发射断层扫描（PET）成像	医学影像分析	NA	正电子发射断层扫描（PET），蒙特卡洛模拟	三维卷积神经网络（3D CNN），深度信念网络（DBN）	正弦图数据，体积图像	通过蒙特卡洛模拟和数据增强生成的足够数据集用于训练和测试	NA	三维卷积神经网络（3D CNN）	偏差，方差，空间分析（不同感兴趣区域），时间分析（不同帧）	NA
1071	2026-02-08	Automated 3D ultrasound image analysis for first trimester assessment of fetal health 2019-09-17, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab3ad1 PMID:31408850	研究论文	本文提出了一种基于深度学习和图像处理的自动化方法，用于支持孕早期胎儿健康评估，包括多个胎儿解剖结构的可视化和测量	首次针对孕早期3D超声图像，开发了自动化评估多个胎儿解剖结构（包括整体分割、标准生物测量视图平面估计、生物测量自动估计及肢体检测）的解决方案，填补了该阶段自动化评估文献的空白	研究样本量较小（共65个3D体积），且仅在一个独立临床数据集上进行了初步评估，可能限制了模型的泛化能力	开发自动化工具以支持孕早期胎儿健康评估，包括确认胎儿存活、估计孕龄及早期检测异常	孕早期胎儿的3D超声图像	数字病理学	NA	3D超声成像	深度学习	3D图像	65个3D超声体积（44个用于构建方法，21个用于独立评估）	NA	NA	NA	NA
1072	2026-02-08	DeSpecNet: a CNN-based method for speckle reduction in retinal optical coherence tomography images 2019-09-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab3556 PMID:31342925	研究论文	本文提出了一种基于CNN的视网膜OCT图像散斑降噪方法DeSpecNet	提出了一种新的深度学习网络DeSpecNet，能够从训练数据中学习，无需手动选择噪声等级等参数	NA	减少视网膜光学相干断层扫描图像中的散斑噪声	视网膜OCT图像	计算机视觉	NA	光学相干断层扫描	CNN	图像	NA	NA	DeSpecNet	视觉质量，定量指标	NA
1073	2026-02-08	An investigation of quantitative accuracy for deep learning based denoising in oncological PET 2019-08-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab3242 PMID:31307019	研究论文	本研究全面评估了基于深度学习的降噪方法在肿瘤PET成像中对小肺结节定量准确性的影响	首次系统比较了U-net、GAN和CAE等不同网络架构在低剂量PET数据降噪中的定量准确性，并探索了结合CT图像对多通道U-net的潜在改进	研究仅涉及十名患者，样本量较小，且主要关注肺结节，未扩展到其他肿瘤类型或更大规模验证	评估深度学习降噪方法在肿瘤PET成像中保持定量准确性的能力，特别是在低剂量条件下	小肺结节（亚厘米级）的PET图像数据	医学影像分析	肺癌	PET成像	U-net, GAN, CAE	图像	十名患者的PET数据	NA	U-net, GAN, CAE, Residual U-net, 3D U-net, 2D U-net, 2.5D U-net	归一化均方误差, 信噪比, 标准摄取值偏差	NA
1074	2026-02-08	MRI-based treatment planning for proton radiotherapy: dosimetric validation of a deep learning-based liver synthetic CT generation method 2019-07-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab25bc PMID:31146267	研究论文	本研究验证了一种基于深度学习的腹部合成CT生成方法在质子放疗计划中的图像质量和剂量学准确性	将密集块集成到3D循环一致性生成对抗网络框架中，以有效学习MRI与CT对之间的非线性映射	样本量较小（21例患者），且仅针对肝脏质子放疗进行验证	验证深度学习生成的合成CT在质子放疗计划中的可行性，以推动仅MRI工作流程的发展	21例患者的共配准CT和MRI图像对	医学影像处理	肝脏疾病	MRI, CT, 质子笔形束治疗计划系统	GAN	图像	21例患者	NA	3D cycle-consistent GAN	平均绝对误差, 剂量体积直方图指标相对差异, 3D伽马分析通过率, 绝对最大射程差异	NA
1075	2026-02-08	Deep learning-enabled accurate normalization of reconstruction kernel effects on emphysema quantification in low-dose CT 2019-07-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab28a1 PMID:31185463	研究论文	本研究提出了一种基于深度学习的双步架构，用于标准化低剂量CT中重建核对肺气肿量化的影响	利用深度学习将锐利核CT图像转换为标准核图像，同时修复截断伪影并实现无平滑的像素尺寸标准化	研究仅基于美国国家肺癌筛查试验数据库中的353次扫描，可能未涵盖所有CT扫描仪类型或临床场景	减少CT重建核对肺气肿量化测量的变异性，提高肺密度测量的准确性	低剂量CT扫描图像，特别是来自四种不同CT扫描仪的肺气肿患者数据	计算机视觉	肺气肿	低剂量CT扫描	深度学习	CT图像	353次扫描，来自四种不同CT扫描仪	NA	U-Net	RA950差异百分比, perc15差异HU值, 平均肺密度差异	NA
1076	2026-02-08	Incorporating dosimetric features into the prediction of 3D VMAT dose distributions using deep convolutional neural network 2019-06-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab2146 PMID:31082805	研究论文	本研究提出了一种结合剂量学特征和轮廓信息，利用深度卷积神经网络预测3D VMAT剂量分布的方法	在现有基于轮廓信息的剂量预测模型中，首次引入了仅PTV计划的剂量分布作为输入特征，以增强模型的可靠性和准确性	研究样本量较小（60例训练，10例测试），且仅针对前列腺癌患者，可能限制模型的泛化能力	提高IMRT/VMAT计划中剂量分布的预测精度，以优化放疗计划的效率和质量	前列腺癌患者的VMAT放疗计划	数字病理	前列腺癌	VMAT（容积旋转调强放疗）	CNN	图像（CT轮廓和剂量分布图）	60例前列腺癌患者的VMAT计划用于训练，10例用于测试	NA	深度卷积神经网络	剂量差异图、DVH、剂量学终点、绝对残差和（SARs）的统计分析	NA
1077	2026-02-08	Development of a deep neural network for generating synthetic dual-energy chest x-ray images with single x-ray exposure 2019-05-31, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab1cee PMID:31026841	研究论文	本研究开发了一种基于深度学习的算法，用于从单次X射线曝光的胸部X光图像合成双能胸部X光图像，以减少患者辐射暴露	提出了一种改进的U-net架构，利用高频主导信息传播和双能图像的反相关关系来提高预测图像的质量和空间分辨率	训练数据仅包含300对图像，可能限制了模型的泛化能力；未在更广泛的外部数据集上进行验证	开发一种无需额外硬件即可从单次X射线曝光生成高质量双能胸部X光图像的算法	胸部X光图像，包括单能胸部X光图像和双能胸部X光图像	计算机视觉	NA	双能胸部X光成像技术	深度学习	图像	300对训练图像，50张测试图像来自医院，662张公开可用的单能胸部X光图像	NA	改进的U-net	结构相似性指数，调制传递函数，变异系数	NA
1078	2026-02-08	Intelligent inverse treatment planning via deep reinforcement learning, a proof-of-principle study in high dose-rate brachytherapy for cervical cancer 2019-05-29, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab18bf PMID:30978709	研究论文	本研究提出了一种基于深度强化学习的智能逆向治疗计划框架，用于宫颈癌高剂量率近距离放射治疗中的权重调整	首次开发了一种基于训练学习智能、以类人方式调整治疗计划优化中器官权重的工具，不同于现有基于预定义规则的策略	研究为原理验证性研究，仅基于五个测试病例进行验证，样本量较小	开发自动权重调整方法以优化放射治疗逆向计划质量	宫颈癌高剂量率近距离放射治疗（HDRBT）计划	机器学习	宫颈癌	高剂量率近距离放射治疗（HDRBT）	深度强化学习	剂量体积直方图（DVH）	五个测试患者病例	NA	权重调整策略网络（WTPN）	质量评分	NA
1079	2026-02-08	Higher SNR PET image prediction using a deep learning model and MRI image 2019-05-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab0dc0 PMID:30844784	研究论文	本文提出了一种使用深度神经网络模型和MRI图像提高PET图像信噪比的方法	提出了一种结合三个改进U-Net的深度神经网络模型，利用MRI图像辅助提升PET图像信噪比，且训练过程中无需高信噪比PET图像	研究基于数字脑模型数据，未在真实临床数据上验证；存在PET与MRI图像配准误差对去噪效果的负面影响	提高PET图像的信噪比，同时加速图像重建过程	数字脑模型（来自BrainWeb）的PET和MRI图像	医学影像处理	NA	滤波反投影重建、最大似然期望最大化重建	深度神经网络	图像	使用BrainWeb数字脑模型数据，具体数量未明确说明	NA	改进的U-Net（3U-net）	均方误差、对比噪声比	NA
1080	2026-02-08	Automatic PET cervical tumor segmentation by combining deep learning and anatomic prior 2019-04-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab0b64 PMID:30818303	研究论文	提出了一种结合深度学习与解剖先验知识的监督式机器学习方法，用于自动分割3D FDG PET图像中的宫颈肿瘤	将卷积神经网络（CNN）与宫颈肿瘤的“圆形度”及膀胱与宫颈的相对位置等解剖先验知识相结合，并提出了先验信息约束（PIC）阈值方法	研究仅基于50名宫颈癌患者的PET图像进行评估，样本量相对有限	提高3D FDG PET图像中宫颈肿瘤分割的准确性	宫颈癌患者的3D FDG PET图像	数字病理学	宫颈癌	FDG PET成像	CNN	3D医学图像	50名宫颈癌患者的PET图像	NA	空间信息嵌入CNN模型（S-CNN），并对比了FCN-8 stride, FCN-2 stride, U-net	Dice相似系数（DSC）	NA